--- title: "Esencja autonomicznych badań: jak TheKingfisher zamienia mikrostrukturę rynku w wiedzę o ryzyku" description: "Od map likwidacji po wyspecjalizowane modele ryzyka — udostępniamy traderom i programistom nową warstwę analizy ilościowej." cover: "/images/blog/distilling-autonomous-research.png" coverAlt: "Graf badawczy łączący hipotezy, eksperymenty i wyniki w kilku grupach." coverWidth: 1212 coverHeight: 1094 editorial: true video: "/videos/blog/distilling-autonomous-research.mp4" videoLabel: "Zobacz graf badawczy w ruchu" tags: ["Badania","The Kingfisher","Mikrostruktura rynku"] createdAt: "2026-10-21T00:00:00Z" --- # Esencja autonomicznych badań: jak TheKingfisher zamienia mikrostrukturę rynku w wiedzę o ryzyku Przez lata analiza ilościowa na rynkach kryptowalut opierała się na prostym schemacie: dostawcy udostępniają wskaźniki, a traderzy próbują przekładać te informacje na decyzje. Gdy jednak rynek przyspiesza, ujawniają się ograniczenia tego podejścia. Sama wiedza o położeniu skupiska likwidacji nie wystarcza. Trzeba też rozumieć, jak zlecenia oddziałują z tym poziomem, czy dostępna płynność pochłonie ruch i kiedy pozorna okazja staje się ryzykiem. W **TheKingfisher** badamy te zagadnienia od kilku miesięcy. Korzystamy już z autonomicznych systemów AI, które formułują hipotezy, prowadzą kontrolowane eksperymenty, weryfikują wyniki i zachowują wnioski z każdej nieudanej próby. Celem nie jest jeden model AI twierdzący, że potrafi przewidzieć każdy ruch rynku. Dzielimy złożone problemy na mniejsze mechanizmy, mierzymy ich przydatność i łączymy najsilniejsze elementy w niewielkie modele ryzyka. Wyniki tych badań udostępniamy teraz w ofertach **Premium** i **Pro**, przez nasze interfejsy, API oraz integracje MCP (*Model Context Protocol*). Oto czego się nauczyliśmy. ## W tym artykule - [Od intuicji rynkowej do weryfikowalnych badań](#od-intuicji-rynkowej-do-weryfikowalnych-badań) - [Dlaczego więcej agentów nie oznacza automatycznie więcej odkryć](#dlaczego-więcej-agentów-nie-oznacza-automatycznie-więcej-odkryć) - [Dlaczego wybieramy wyspecjalizowane modele zamiast jednego dużego predyktora](#dlaczego-wybieramy-wyspecjalizowane-modele-zamiast-jednego-dużego-predyktora) - [Szybsze badania wymagają silniejszej weryfikacji](#szybsze-badania-wymagają-silniejszej-weryfikacji) - [Rzeczywiste ograniczenie handlu automatycznego: koszty realizacji](#rzeczywiste-ograniczenie-handlu-automatycznego-koszty-realizacji) - [Nowa generacja narzędzi tworzonych przez użytkowników](#nowa-generacja-narzędzi-tworzonych-przez-użytkowników) - [Co pozostaje nierozwiązane](#co-pozostaje-nierozwiązane) - [Od danych rynkowych do wiedzy ilościowej](#od-danych-rynkowych-do-wiedzy-ilościowej) ## Od intuicji rynkowej do weryfikowalnych badań Poproszenie modelu AI o wygenerowanie strategii nie jest tym samym co badanie naukowe. Model może znaleźć mylące korelacje, dopasować parametry do historycznego szumu lub wykorzystać informacje niedostępne w chwili realizacji transakcji. Takie błędy mogą dawać imponujące testy historyczne o niewielkiej wartości prognostycznej. Aby ograniczyć ryzyko, stworzyliśmy autonomiczne środowisko badawcze oparte na czterech zasadach. ### Zdefiniuj hipotezę przed eksperymentem Każdy agent musi wyjaśnić badany mechanizm, oczekiwany wynik i warunki, które obalą hipotezę. Zapobiega to wymyślaniu wyjaśnień dopiero po uzyskaniu korzystnego wyniku. ### Oddzielaj zmiany Gdy eksperyment poprawia wyniki, musimy ustalić przyczynę. Kontrolowane zmiany pomagają uniknąć mieszania niezwiązanych mechanizmów w jednej próbie. ### Próbuj obalić każdy wynik Eksperymenty obejmują kontrole negatywne, chronologiczny podział danych i testy na danych niewykorzystanych podczas rozwoju. Obiecujący sygnał musi przetrwać warunki inne niż te, w których go odkryto. ### Oddzielaj odkrywanie od weryfikacji Agent proponujący hipotezę nie powinien sam rozstrzygać, czy działa. Niezależna weryfikacja sprawdza odtwarzalność, koszty transakcyjne, poślizg cenowy, finansowanie i ograniczenia rynku. Taki schemat zmienia rolę AI w naszych badaniach. > AI nie zastępuje metody naukowej. Pozwala stosować ją w większej liczbie eksperymentów, według spójnych zasad weryfikacji. ## Dlaczego więcej agentów nie oznacza automatycznie więcej odkryć Jedno z najważniejszych spostrzeżeń dotyczy współpracy agentów AI. Zwiększanie ich liczby nie gwarantuje wyższej produktywności. Bez koordynacji powtarzają eksperymenty, rozpowszechniają niezweryfikowane wnioski i dochodzą do podobnych pomysłów. Obserwowaliśmy to we własnych badaniach wieloagentowych. Dlatego od swobodnych rozmów przeszliśmy do architektury opartej na uporządkowanych hipotezach i weryfikowalnych dowodach. System zachowuje relacje między pytaniami badawczymi, eksperymentami, obserwacjami i wnioskami. Każde odkrycie można połączyć z dowodami, które je wspierają. Każda odrzucona hipoteza zachowuje wyjaśnienie niepowodzenia. Zmienia to współpracę: zamiast powtarzać zakończone próby, agent może wykorzystać wcześniejsze wyniki, rozpoznać otwarte pytania i zbadać inny kierunek. Sprawdzaliśmy również współdziałanie różnych zdolności rozumowania: tworzenia hipotez, krytycznej oceny i niezależnej weryfikacji. Zmniejszyło to liczbę powielanych zadań i poprawiło wydajność naszych serii eksperymentów. Największa korzyść jest jednak bardziej podstawowa: > Nieudany eksperyment staje się wiedzą do ponownego wykorzystania. Strategia zawodząca w pewnych warunkach, filtr odrzucający zbyt wiele okazji czy model tracący przewagę po uwzględnieniu kosztów nadal dostarczają użytecznych informacji. Zachowywanie takich wyników pomaga nie odkrywać ponownie tych samych błędów. Z czasem system gromadzi zarówno udane pomysły, jak i uporządkowane rozumienie tego, co nie działa. ## Dlaczego wybieramy wyspecjalizowane modele zamiast jednego dużego predyktora Rynki kryptowalut łączą procesy działające w różnym tempie. Arkusz zleceń opisuje dostępną płynność. Zrealizowane transakcje ujawniają faktyczną presję kupna i sprzedaży. Potencjalne poziomy likwidacji wskazują obszary, w których ruch cen może uruchomić wymuszone transakcje. Żaden pojedynczy wskaźnik nie obejmuje całości. Dlatego rozwijamy podejście modułowe: rozwiązujemy konkretne problemy przekształceniami matematycznymi lub niewielkimi modelami, a następnie badamy ich wspólne działanie. Ułatwia to niezależną weryfikację elementów, kontrolę złożoności i wymianę mechanizmów tracących skuteczność przy zmianie rynku. Ilustrują to trzy obszary. ### Zrozumienie przepływu zleceń w kontekście likwidacji Wskaźniki nierównowagi przepływu zleceń, w tym miary takie jak VPIN, próbują mierzyć potencjalnie toksyczną aktywność handlową. Pomagają rozpoznawać sytuacje, w których agresywne transakcje wywierają nietypową presję na płynność. Ta sama nierównowaga nie oznacza jednak tego samego w każdym otoczeniu. Silna presja sprzedażowa na głębokim, płynnym rynku może dać inny rezultat niż podobna aktywność blisko skupiska potencjalnych likwidacji. Badaliśmy więc, jak dane o likwidacjach mogą poprawić interpretację przepływu zleceń. Eksperymenty wskazują, że **kontekst likwidacji może zwiększać przydatność niektórych sygnałów mikrostruktury względem używania ich osobno.** Wspiera to ważną zasadę TheKingfisher. Mapy likwidacji nie są jedynie wizualizacją aktywności rynkowej. Dostarczają informacji, które można łączyć z innymi danymi przy ocenie scenariuszy ryzyka. ### Dlaczego dobre reguły wejścia i wyjścia mogą źle działać razem Strategia może mieć użyteczny sygnał wejścia i rozsądną regułę wyjścia, a mimo to ich połączenie nie da dobrych wyników. Powodem jest realizacja zleceń. Transakcja nie jest tylko teoretyczną decyzją: musi przejść przez rzeczywisty arkusz ze zmienną płynnością, miejscem w kolejce, spreadami i negatywną selekcją. Eksperymenty pokazały, że część usprawnień traciła wartość, gdy łączono je bez uwzględnienia tych ograniczeń. Przykładowo sygnał może wykryć atrakcyjną okazję, ale warunki faktycznego wykonania zlecenia zmienią oczekiwany wynik. Może powstać negatywna selekcja: zlecenia realizują się w warunkach, które tuż potem stają się niekorzystne. Wniosek jest prosty: > Jakość realizacji jest częścią jakości sygnału. Logiki wejścia i wyjścia, zarządzania ryzykiem oraz składania zleceń nie zawsze można optymalizować niezależnie. Trzeba też oceniać je jako cały system. ### Wykrywanie okazji, które tracą przewagę Nie każda stratna transakcja zaczyna się gwałtownym ruchem przeciw pozycji. Niektóre pogarszają się, bo oczekiwany ruch nie nadchodzi. Początkowo atrakcyjna okazja może stracić wartość, gdy zmienność spada, płynność się zmienia lub rynek przechodzi w konsolidację. Dlatego badaliśmy lekkie modele oceniające rozwój okazji po wystąpieniu warunków początkowych. Zamiast przewidywać każdy przyszły ruch, modele pomagają wskazywać sytuacje, w których pozycja może już nie uzasadniać swojego ryzyka. W testach historycznych selektywne filtrowanie ograniczyło ekspozycję na pewne niekorzystne warunki i poprawiło wyniki badanych strategii. Wnioski zależą od okresu oceny, otoczenia rynkowego i założeń realizacji. Mimo to pokazują potencjalną wartość łączenia modeli specjalistycznych w skoordynowany system oceny ryzyka. ## Szybsze badania wymagają silniejszej weryfikacji Autonomiczne badania pozwalają sprawdzać więcej hipotez. Tworzą też więcej możliwości błędu. Podczas rozwoju różnice między historycznymi symulacjami a obserwacjami prospektywnymi skłoniły nas do wzmocnienia kontroli oprogramowania i procedur weryfikacji. Potwierdziła się ważna lekcja: błędy przetwarzania danych, integracji lub konfiguracji eksperymentu mogą zmieniać pozorne wyniki modelu. Nawet poprawny model matematyczny po integracji z większym systemem może zachowywać się nieoczekiwanie. Rozszerzyliśmy więc kontrole spójności, wymagania odtwarzalności oraz porównania wyników symulowanych z obserwowanymi. Środowisko badawcze pomaga też ulepszać własne narzędzia. Optymalizacja numeryczna, profilowanie obliczeń i testy automatyczne obniżają koszt oceny nowych hipotez. Pozwala to prowadzić więcej eksperymentów i przeznaczać więcej zasobów na niezależną weryfikację. Szybsze eksperymentowanie nie oznacza jednak automatycznie lepszych odkryć. > Tempo badań ma znaczenie tylko wtedy, gdy wraz z nim rośnie jakość dowodów. ## Rzeczywiste ograniczenie handlu automatycznego: koszty realizacji Wiele strategii rozwija się i ocenia głównie na podstawie historycznych cen. To przydatne do badania pomysłów, ale nie opisuje w pełni zachowania strategii w produkcji. Między wykryciem sygnału a wykonaniem transakcji wynik mogą zmienić: - Prowizje i spread kupna–sprzedaży - Poślizg cenowy i dostępna płynność - Koszty finansowania - Opóźnienie realizacji i miejsce w kolejce zleceń Strategia wyglądająca na zyskowną przed tymi kosztami może stracić przewagę po przyjęciu realistycznych założeń. Nasze symulacje potwierdziły wrażliwość kilku podejść na te ograniczenia. Wskazały też potencjalne korzyści z połączenia informacji o likwidacjach, sygnałów mikrostruktury i kontroli ryzyka. Nie oznacza to, że którykolwiek model gwarantuje zyskowną realizację. Oznacza, że system decyzyjny musi oceniać więcej niż pozorną okazję. Musi uwzględniać koszt i ryzyko działania na jej podstawie. To rozróżnienie staje się kluczowe przy przejściu od badań do rzeczywistego handlu. ## Nowa generacja narzędzi tworzonych przez użytkowników Asystenci programowania AI i protokoły agentów zmieniają sposób tworzenia oprogramowania przez traderów. Programiści i niezależni traderzy mogą budować własne analizy, łączyć źródła i automatyzować badania przy mniejszych zasobach inżynieryjnych. Przyspiesza to rozwój infrastruktury tworzonej samodzielnie, czyli *Do-It-Yourself* (DIY). Narzędzia można dopasować do wielkości rachunku, limitów ryzyka i wymagań realizacji. Łatwiejsze programowanie nie usuwa jednak podstawowych trudności handlu ilościowego. Traderzy nadal potrzebują wiarygodnych danych, zweryfikowanych hipotez, skutecznej kontroli ryzyka i jasnego rozumienia ograniczeń realizacji. Właśnie tu TheKingfisher ma dostarczać wartość. Nie chcemy narzucać kolejnej zamkniętej platformy. Chcemy zapewnić warstwę wiedzy ilościowej, którą można włączyć do narzędzi już używanych lub samodzielnie budowanych. ### Oddzielenie wiedzy o ryzyku od realizacji transakcji Nasze podejście rozdziela dwie odpowiedzialności. **TheKingfisher dostarcza wiedzę analityczną:** mapy likwidacji, wskaźniki mikrostruktury, wyspecjalizowane sygnały ryzyka i wnioski z modeli badawczych. **Użytkownicy zachowują kontrolę nad realizacją:** decyzjami, parametrami ryzyka, infrastrukturą i danymi dostępowymi do giełd. Taki podział pozwala integrować dane z różnymi środowiskami bez wymagania konkretnego silnika transakcyjnego lub systemu zarządzania zleceniami. Ogranicza też potrzebę przekazywania zewnętrznym usługom wrażliwych uprawnień wykonawczych. ### API i MCP: dostęp do badań dla agentów AI Z usług można korzystać przez interfejsy TheKingfisher lub integrować je z aplikacjami przez API i obsługę MCP. Programiści mogą używać danych likwidacyjnych i sygnałów ryzyka we własnych panelach, alertach, środowiskach badawczych i automatycznych analizach. MCP zapewnia standardowy interfejs, przez który zgodne aplikacje AI uzyskują dostęp do zewnętrznych narzędzi i źródeł danych. Otwiera to nowe możliwości autonomicznych badań i analizy ilościowej. Zamiast budować każdy element od nowa, można podłączyć specjalistyczną wiedzę rynkową do istniejących systemów. ### Otwarta infrastruktura możliwa do audytu Preferujemy podejście, w którym użytkownicy mogą sprawdzać i kontrolować komponenty integracyjne. Oprogramowanie open source może odgrywać ważną rolę, zwłaszcza w konektorach i narzędziach działających we własnym środowisku tradera. Przejrzystość ułatwia przegląd zależności, ocenę obsługi danych dostępowych i zrozumienie przesyłania zleceń. Uważamy, że użytkownicy powinni kontrolować swoje dane uwierzytelniające, uprawnienia i systemy realizacji. Dostęp do wiedzy rynkowej nie powinien wymagać rezygnacji z tej kontroli. ## Co pozostaje nierozwiązane Badania wykazały użyteczne wzorce, ale też silną zależność wyników od warunków rynku. Niektóre sygnały niosą mniej informacji podczas długotrwałej kompresji zmienności. Inne słabną przy zmianie płynności lub wzroście kosztów. Wykrywanie tych przejść, dostosowanie modeli i pomiar niepewności pozostają ważnymi wyzwaniami. Nadal badamy również poprawę współpracy agentów, wzmocnienie weryfikacji i łączenie wyspecjalizowanych modeli bez utraty ich indywidualnych zalet. Celem nie jest uniwersalna strategia. Jest nim proces badawczy, który tworzy hipotezy, testuje je, odrzuca słabe pomysły i podnosi jakość wniosków. Proces pamiętający nieudane eksperymenty, rozpoznający własne ograniczenia i stale kwestionujący założenia. ## Od danych rynkowych do wiedzy ilościowej Na rynkach kryptowalut nie brakuje wskaźników. Trudność polega na ustaleniu, które informacje mają znaczenie, w jakich warunkach i jakie ryzyko wiąże się z działaniem na ich podstawie. Nad tym pracujemy w **TheKingfisher**. Autonomiczne systemy pozwalają badać więcej mechanizmów, zachowywać dowody z eksperymentów i zamieniać zweryfikowane odkrycia w wyspecjalizowane narzędzia analityczne. Udostępniamy te możliwości w **Premium** i **Pro**, dedykowanych interfejsach, API i integracjach MCP. Nasza wizja jest prosta: **Dać traderom wiedzę do budowania własnych systemów, opartą na dobrych danych rynkowych, specjalistycznych modelach ryzyka i pełnej kontroli nad realizacją.** Przyszłość handlu ilościowego może nie zależeć od tworzenia coraz większego pojedynczego modelu prognostycznego. Może opierać się na lepszych danych, rzetelniejszych eksperymentach i mniejszych wyspecjalizowanych modelach współpracujących ze sobą. *Historyczne wyniki, symulacje i weryfikacja eksperymentalna nie gwarantują przyszłych rezultatów. Opisane modele służą analizie rynku i ocenie ryzyka, a nie wydawaniu instrukcji transakcyjnych.*